Visão computacional

É a área da Inteligência Artificial que permite a sistemas extrair informações de imagens e vídeos. Inclui tarefas como classificar uma imagem, detectar e localizar objetos, segmentar regiões, reconhecer rostos, ler textos em imagens (OCR) e acompanhar movimento em vídeo. O avanço decisivo veio com o Deep Learning, a partir de 2012, quando redes neurais passaram a superar as técnicas anteriores por larga margem. Hoje, modelos multimodais unem visão e linguagem, o que permite descrever uma imagem em texto ou responder perguntas sobre ela. Em produto, a saída útil raramente é apenas “há um objeto”. Costuma ser “há um objeto deste tipo, nesta posição, com este nível de confiança”.

Em Produto, visão computacional aparece quando a informação relevante está em fotos ou vídeos: inspeções, documentos, catálogos, segurança, saúde. Ao especificar uma funcionalidade, vale definir exatamente o que o sistema precisa retornar. “Identificar um dano” é vago; “identificar o tipo de dano, sua localização e a confiança da detecção” é uma especificação que permite desenhar o fluxo. Com a confiança, o time pode definir um limiar abaixo do qual a imagem vai para revisão humana. Também é importante prever o que acontece com imagens de baixa qualidade, escuras ou fora do enquadramento: elas são comuns em uso real e precisam de um caminho claro no produto.

Use visão computacional para falar do campo ou de tarefas específicas com imagens e vídeos. Use modelo multimodal quando a necessidade é fazer perguntas abertas sobre uma imagem ou combinar imagem e texto na mesma interação. Use OCR quando a tarefa específica é ler texto em imagens ou documentos. Uma forma simples de diferenciar: um modelo de visão dedicado é mais eficiente para alto volume e tarefas fixas; um modelo multimodal é mais flexível para perguntas abertas e baixo volume.

Larry Roberts (MIT, 1963); AlexNet (2012) inaugurou a era do deep learning em visão.

Szeliski, Computer Vision: Algorithms and Applications; Google Machine Learning Glossary